Recruter un Data Scientist
Peu de titres ont autant dérivé en dix ans. Une partie des annonces qui cherchent un data scientist décrivent en réalité un poste d'analyste — indicateurs, exploration, tableaux de bord — pendant qu'une autre partie attend une mise en production de modèles, c'est-à-dire de l'ingénierie. Les deux recrutements ratent de la même façon : la personne s'en va au bout d'un an, en ayant fait correctement un travail qu'elle n'était pas venue faire. Avant de chercher, il faut écrire ce que la personne fera les six premiers mois.
Aussi appelé Scientifique des données, Lead Data Scientist, Applied Scientist, Data Scientist senior, Ingénieur en science des données.
Ce que nous observons
Pourquoi un recrutement de data scientist échoue.
L'annonce décrit un analyste et le titre promet autre chose
Le besoin réel est de comprendre une activité, de construire des indicateurs fiables et de les rendre lisibles. C'est un métier utile, exigeant et rémunéré à son juste niveau — mais ce n'est pas celui qu'on annonce. Le data scientist recruté sur cette promesse découvre qu'il ne modélisera pas, et part vers un employeur qui le fera. Écrire honnêtement « analyste » attire des candidats plus adaptés, plus rapidement, et souvent moins chers. Le titre coûte cher quand il ne correspond pas au travail.
Les données ne sont pas accessibles, et personne ne l'a dit
Le candidat arrive et découvre qu'obtenir un extrait demande un ticket, une validation et trois semaines ; que les bases de production sont fermées ; qu'aucun environnement d'analyse n'existe. Il passe ses six premiers mois à négocier des accès. C'est la première cause d'échec sur cette fonction, très loin devant le niveau technique, et elle est entièrement prévisible. La question à se poser avant de recruter est simple : combien de temps faut-il aujourd'hui pour qu'un nouvel arrivant obtienne un jeu de données réel ?
Aucun chemin ne mène du modèle à la production
Le modèle fonctionne, la démonstration convainc, et rien ne se passe : il n'existe ni équipe ni processus pour l'exploiter. Au bout d'un an, l'entreprise conclut que la science des données ne sert à rien, et le data scientist conclut la même chose de son poste. Ce n'est pas un problème de compétence mais d'organisation. Si aucun chemin vers la production n'existe, le premier recrutement utile n'est peut-être pas un data scientist mais un ingénieur capable de le construire.
Le jury teste l'algorithmique, le poste demande de poser la bonne question
L'entretien porte sur les méthodes, leurs variantes, leurs hypothèses. Le travail réel consiste d'abord à traduire une demande floue en problème traitable, et souvent à démontrer qu'elle ne l'est pas avec les données disponibles. Un exercice sur un cas réel avec des données imparfaites révèle bien mieux le candidat : les bons se reconnaissent à ce qu'ils demandent avant de modéliser, pas à la méthode qu'ils citent.
On recrute un profil très académique pour un besoin opérationnel
Le doctorat rassure et impressionne le comité. Mais si le besoin consiste à livrer vite des réponses exploitables sur des données sales, un profil orienté recherche s'y ennuiera et l'entreprise trouvera ses délais longs. L'inverse existe aussi : confier un problème réellement difficile à un profil formé aux outils standards produit un modèle plausible et faux. Le critère utile n'est pas le niveau de diplôme mais la nature du problème à traiter, et il faut l'avoir formulé.
Le poste est isolé dans l'organisation
Un data scientist seul, rattaché à une direction métier, sans pair pour relire son travail ni ingénieur pour l'aider à livrer, produit des analyses que personne ne conteste et que personne n'utilise. C'est un gâchis fréquent et coûteux. Si le premier recrutement doit être isolé, il faut choisir un profil plus autonome et plus senior que ne le suggère le budget — ou différer le recrutement jusqu'à pouvoir en recruter deux.
Avant de chercher
Ce que nous cadrons avec vous.
Le brief conditionne tout le reste. Un cadrage approximatif se paie en candidatures hors sujet et en semaines perdues.
Ce que la personne fera les six premiers mois
Écrit en termes de livrables concrets. Si la réponse ressemble à des tableaux de bord et de l'exploration, nous le disons : vous cherchez un analyste, et le poste se pourvoira mieux et plus vite sous ce nom.
L'accès réel aux données
Quels jeux de données existent, qui en autorise l'accès, combien de temps prend une demande aujourd'hui, et quel environnement d'analyse est disponible. C'est la question qui prédit le mieux la réussite du recrutement, et elle se pose avant l'annonce.
Le chemin vers la production
Ce qui se passe quand un modèle fonctionne : qui l'exploite, sur quelle infrastructure, avec quel suivi. Quand rien n'existe encore, nous le disons et nous en tirons les conséquences sur le profil à recruter en premier.
L'environnement de travail scientifique
Existence de pairs, de revues de travail, d'un rattachement clair. Un data scientist isolé exige un niveau d'autonomie supérieur, donc une fourchette supérieure : mieux vaut le savoir au cadrage qu'au moment de l'offre.
Lecture de marché
Ce que dit le marché aujourd'hui.
Fourchettes issues de notre baromètre des salaires, en brut annuel, pour la France.
La demande s'est déplacée. Après une période où les entreprises recrutaient pour explorer, elles recrutent aujourd'hui pour livrer : les postes de science des données sans perspective de mise en production se pourvoient mal, parce que les candidats expérimentés en ont déjà vécu un et n'y reviennent pas.
Le vivier est large en volume et très inégal en profondeur. Les formations se sont multipliées et beaucoup de candidats maîtrisent les outils standards sans avoir rencontré les difficultés du monde réel — données manquantes, fuite d'information, effet qui disparaît en production. Ce sont ces situations qui trient, et elles se testent sur un cas réel plutôt que sur un exercice théorique.
Notre baromètre situe la fonction entre environ 45 000 € pour un profil junior encadré et plus de 100 000 € pour un lead ou un principal. L'écart entre secteurs est marqué : à séniorité égale, les entreprises dont le produit repose sur la donnée rémunèrent nettement au-dessus des directions métier qui se dotent d'une première compétence.
La concurrence ne se joue pas seulement sur la rémunération mais sur les conditions de travail scientifique : accès aux données, présence de pairs, existence d'un chemin vers la production. Une entreprise qui peut décrire concrètement ces trois points recrute mieux qu'une entreprise qui surenchérit sur le salaire.
Les frontières bougent avec les métiers voisins. Une partie des profils s'oriente vers l'ingénierie de la donnée ou l'apprentissage automatique appliqué, une autre vers l'analyse et la décision. Un recrutement réussi tient compte de la direction que le candidat souhaite prendre, sous peine de le voir partir dès qu'un poste plus proche de son intention se présente.
- Junior (0-2 ans)45-58 k€
- Confirmé (2-5 ans)58-78 k€
- Senior (5-10 ans)78-105 k€
- Lead / Principal (10 ans et plus)100-140 k€+
Questions fréquentes
Ce que les dirigeants nous demandent.
- Combien de temps faut-il pour recruter un Data Scientist ?
- Nous présentons les premiers profils qualifiés sous 10 jours ouvrés en CDI et sous 48 heures en management de transition. Le vivier étant large, le délai dépend surtout de la précision du besoin : une annonce qui n'a pas tranché entre analyse et modélisation reçoit beaucoup de candidatures et peu de candidats adaptés.
- Quelle différence entre un Data Scientist et un Data Analyst ?
- L'analyste répond à une question avec les données existantes : il décrit, compare, explique. Le data scientist construit un modèle qui produit une prédiction ou une décision, et doit prouver qu'il tient hors de l'échantillon d'apprentissage. Beaucoup d'annonces demandent le second et décrivent le premier, ce qui explique une bonne part des départs à un an.
- Faut-il recruter un profil titulaire d'un doctorat ?
- Seulement si le problème le justifie. Un doctorat apporte la rigueur méthodologique et l'aptitude à traiter un problème réellement nouveau ; il n'apporte pas nécessairement le goût de livrer vite sur des données imparfaites. Le critère utile est la nature du problème à traiter, pas le niveau de diplôme.
- Faut-il un premier data scientist ou d'abord un data engineer ?
- Si l'accès aux données est difficile et qu'aucun chemin vers la production n'existe, l'ingénieur passe en premier — sinon le data scientist consacrera son année à construire ce qu'il n'a pas été recruté pour construire. Nous posons systématiquement la question au cadrage, y compris quand elle conduit à décaler le recrutement demandé.
- Comment évaluer un Data Scientist en entretien ?
- Sur un cas réel, avec des données imparfaites, et en observant ce que le candidat demande avant de modéliser. Les questions d'algorithmique départagent mal, parce qu'elles se préparent. La capacité à dire « cette question n'est pas traitable avec ces données, voici ce que je proposerais à la place » est le meilleur signal.
- Combien coûte le recrutement d'un Data Scientist ?
- Nous facturons au succès : rien tant que le candidat n'a pas accepté l'offre, pas d'avance et pas d'exclusivité payante. Si le candidat ne prend finalement pas son poste, les honoraires versés sont intégralement remboursés.
- Intervenez-vous en management de transition sur cette fonction ?
- Oui, notamment pour cadrer un premier cas d'usage ou évaluer la faisabilité d'un projet avant de créer un poste permanent. C'est souvent plus utile qu'un recrutement décidé sur une intuition, et cela produit un cahier des charges dont la recherche suivante bénéficie. Premiers profils sous 48 heures.
Aller plus loin
Les autres fonctions Tech que nous recrutons.
Sur les technologies voisines :
Voir aussi la fiche métier détaillée, notre expertise Tech ou les 2 offres ouvertes en Tech.
Décrivez le poste, nous cadrons le reste.
Un consultant Finance vous recontacte sous 24 heures ouvrées pour qualifier le mandat et arrêter la stratégie d'approche.